贝叶斯层次模型在青少年司法风险评估中的创新应用：基于资产优化视角的纵向研究

为解决青少年司法系统中风险评估的简化性和静态性问题，研究人员采用贝叶斯层次模型（Bayesian hierarchical modelling）对威尔士地区87名涉案青少年的Asset评估数据进行纵向分析，通过时间变量与非时间变量构建加性二元逻辑回归模型，揭示了初犯（FTE）与非初犯群体的再犯概率动态差异。该研究为小样本条件下的精准干预提供了方法论支持，并推动风险-保护因素（RFPP）的复杂关系解析。

　　

在青少年司法领域，风险评估长期依赖静态的风险因子预防范式（RFPP），但这一方法因简化复杂社会因素而饱受争议。尤其当司法系统转向轻量化处理（如分流措施）后，留存的案件复杂性显著上升，而传统统计方法对小型化、多样化的样本（如少数族裔、残疾青少年）分析乏力。更棘手的是，现有工具如AssetPlus虽已取代旧版Asset，却仍未解决动态风险评估的难题——如何量化干预措施与青少年生活变化对再犯率的影响？

针对这一挑战，ESRC威尔士博士培训中心（ESRC Wales Doctoral Training Centre）的研究团队在《Children and Youth Services Review》发表了一项开创性研究。他们利用贝叶斯层次建模（Bayesian hierarchical modelling），对威尔士某地方当局2012-2014年间87名接受司法监管的青少年的Asset评估数据进行了纵向分析。通过构建加性二元逻辑回归模型（additive binary logistical regression models），整合12个风险领域评分及犯罪生涯变量，首次实现了对初犯（FTE）与非初犯群体再犯概率的动态追踪。

关键技术包括：1）贝叶斯框架下的小样本参数估计，利用先验分布（prior distribution）与数据分布（data distribution）生成后验分布（posterior distribution）；2）贝叶斯因子（Bayes factors）替代p值进行模型比较；3）时间变量（如监管时长）与非时间变量（如族裔）的交叉分析。

主要发现

1. 初犯与非初犯的差异：模型显示初犯群体的再犯概率初始值显著低于有前科者，但两者下降速率存在统计学差异（Bayes factor>3）。
2. 动态风险评估：通过时间变量建模证实，监管期间风险评分变化与生活事件（如教育介入）呈非线性关联。
3. 亚组分析潜力：尽管样本量限制了对少数群体（如4.2%的学龄前儿童）的深入解析，但模型结构允许后续纳入新变量（如语言障碍指标）。

讨论与意义
该研究突破了传统统计对大数据量的依赖，为司法实践提供三项革新：其一，贝叶斯框架允许将新兴理论（如创伤知情护理）实时整合至现有模型；其二，动态概率预测助力个性化干预时机的选择；其三，方法学上为交叉分析少数群体（如13.8%的女性涉案者）的复合劣势开辟路径。正如作者所言，这种“可进化”的建模思路，或将重塑风险评估从静态筛查向持续对话的范式转型。